Nelle stesse ore in cui Anthropic ha annunciato Claude Opus 5.5, OpenAI ha esteso la propria famiglia di modelli con GPT-6 Sol e GPT-6 Luna. I due annunci rendono visibile la nuova fase della competizione sull’intelligenza artificiale: la capacità assoluta resta importante, ma per gli agenti che lavorano a lungo contano sempre di più costo per attività, riuso del contesto, velocità e possibilità di scegliere quanta elaborazione dedicare a ogni passaggio.
Sol e Luna trasferiscono in fasce di prezzo inferiori parte delle innovazioni introdotte con GPT-6 Astra. OpenAI assegna però ai due modelli ruoli differenti. GPT-6 Sol è destinato al coding, ai flussi agentici e alle attività professionali che richiedono giudizio; GPT-6 Luna privilegia efficienza, rapidità e volumi elevati, diventando la scelta per automazioni ricorrenti, classificazione, triage e operazioni ben delimitate.
Sol per il lavoro complesso, Luna per le attività ad alto volume
Nella famiglia GPT-6, Sol si colloca tra Astra e Luna lungo l’asse che unisce capacità e costo. Astra conserva il ruolo di modello più potente per i progetti che richiedono la massima profondità; Sol offre un compromesso per attività impegnative e Luna riduce il costo delle elaborazioni ripetibili su larga scala.
Entrambi accettano testo e immagini, producono testo e dispongono di una finestra di contesto da 1,05 milioni di token, con un output massimo di 128.000 token. Il reasoning effort può essere impostato su none, low, medium, high, xhigh o max, consentendo alla stessa applicazione di usare elaborazioni rapide per i passaggi ordinari e aumentare lo sforzo sui problemi più difficili.
La differenziazione non consiste quindi in una semplice versione grande e una piccola dello stesso prodotto. Sol è costruito per sostenere coding e workflow agentici complessi a un costo inferiore ad Astra; Luna rende economicamente praticabili agenti frequenti, automazioni interne e servizi che devono elaborare molte richieste senza ricorrere ogni volta al modello più costoso della famiglia.
Prezzi dimezzati e una soglia per i contesti lunghi
Per le richieste con un massimo di 272.000 token di input, GPT-6 Sol costa 2 dollari per milione di token in ingresso e 10 dollari per l’output. GPT-6 Luna costa 0,10 dollari per l’input e 0,50 dollari per l’output. Rispetto alle tariffe promozionali dei predecessori, l’input è dimezzato per entrambi; l’output di Sol scende da 20 a 10 dollari, mentre quello di Luna passa da 1,20 a 0,50 dollari.
Anche la cache segue due profili distinti. Sol costa 0,20 dollari per milione di token letti dalla cache e 2,50 dollari per le scritture; Luna scende rispettivamente a 0,01 e 0,125 dollari. Per prompt superiori a 272.000 token entra in vigore la tariffa per contesto lungo: l’input e le operazioni di cache raddoppiano, mentre l’output aumenta del 50% per l’intera richiesta. È una distinzione importante per chi intende usare l’intera finestra da oltre un milione di token su repository, archivi documentali o sessioni agentiche estese.
Batch e Flex applicano tariffe inferiori del 50% rispetto allo Standard, mentre Fast mode raddoppia il prezzo applicabile. La residenza dei dati nell’Unione europea per Sol e Luna è disponibile soltanto con l’elaborazione Standard; gli endpoint regionali compatibili prevedono inoltre un sovrapprezzo del 10%.
Il caching diventa una parte dell’architettura degli agenti
Una delle novità più rilevanti riguarda il prompt caching, decisivo quando un agente riutilizza istruzioni, cronologia, strumenti e grandi quantità di contesto. OpenAI dichiara di avere aumentato la probabilità che le porzioni riutilizzabili vengano riconosciute automaticamente, con uno sconto del 90% sulle letture dei token già presenti in cache.
Gli sviluppatori possono modificare il reasoning effort o attivare e disattivare strumenti senza invalidare il contesto precedente. I breakpoint espliciti permettono inoltre di scegliere dove termina il prefisso da memorizzare, mentre il Prompt Caching Dashboard e gli strumenti diagnostici aiutano a individuare le parti delle richieste che vengono ricalcolate inutilmente. GitHub riferisce che questi interventi hanno ridotto di oltre il 50% la quota di prompt token da elaborare nuovamente su miliardi di richieste.
Il cambiamento ha un effetto operativo che supera il semplice sconto per token: una sessione lunga può conservare più facilmente istruzioni e materiale già analizzato, cambiare livello di ragionamento durante il lavoro e richiamare strumenti diversi senza ricominciare ogni volta dal medesimo contesto.
Strumenti asincroni e correzioni durante l’esecuzione
Sol e Luna ereditano le funzioni agentiche della famiglia GPT-6. Con l’async tool calling, il modello può continuare a ragionare, rispondere a parti indipendenti della richiesta o avviare altri strumenti mentre l’applicazione attende il risultato di un’operazione esterna. L’esecuzione dello strumento e la gestione delle attività in sospeso restano sotto il controllo dell’applicazione.
Il mid-turn steering permette invece di inviare una correzione o un nuovo requisito mentre il modello sta ancora lavorando. Attraverso una connessione WebSocket, la Responses API conserva il lavoro completato e incorpora l’aggiornamento nella prosecuzione. Per agenti impegnati in attività lunghe, questa possibilità riduce la necessità di interrompere l’intera esecuzione e ricominciare da capo quando cambiano una priorità o un vincolo.
I modelli supportano inoltre web search, file search, computer use, code interpreter, shell ospitata, applicazione di patch, skill, MCP e orchestrazione multiagente. OpenAI raccomanda la Responses API per i flussi che combinano reasoning e strumenti; nelle Chat Completions, il function calling con Sol e Luna è disponibile soltanto impostando il reasoning effort su none.
Fattualità, coding e stile di collaborazione
OpenAI attribuisce a GPT-6 Sol circa la metà degli errori del predecessore in una valutazione interna costruita su conversazioni nelle quali gli utenti avevano segnalato problemi fattuali. Luna, ai livelli di effort più elevati, avrebbe raggiunto l’affidabilità di GPT-5.6 Sol a circa un centesimo del costo. L’azienda precisa che il campione è formato da conversazioni selezionate proprio perché capaci di provocare errori e non rappresenta la frequenza tipica delle imprecisioni nell’uso ordinario.
Nel coding e nell’uso del computer, il tratto distintivo di Sol e Luna è il rapporto fra qualità e costo, mentre il primato assoluto rimane associato ad Astra. Sol è orientato alle modifiche su codebase reali e ai workflow professionali; Luna consente di distribuire compiti circoscritti fra molti agenti o molte esecuzioni.
La famiglia adotta anche lo stile di collaborazione introdotto con Astra: risposte più concise, meno gergo, minori dettagli privi di valore e maggiore chiarezza su ciò che il modello ha effettivamente controllato. Nelle valutazioni di allineamento, Sol e Luna migliorano rispetto alle corrispondenti versioni GPT-5.6, compresa una minore frequenza di affermazioni fuorvianti sul lavoro di coding svolto. OpenAI sottolinea che questi test usano deliberatamente situazioni difficili e non misurano i tassi di errore nell’impiego quotidiano.
Disponibilità in Codex, ChatGPT Work e API
GPT-6 Sol e GPT-6 Luna sono disponibili in ChatGPT Work e Codex per gli utenti Plus, Pro, Business, Enterprise ed Edu. Gli utenti Free e Go possono accedere a GPT-6 Luna nell’app desktop. Al debutto i modelli non erano ancora disponibili nella modalità Chat e la distribuzione veniva completata gradualmente nel corso della giornata.
Nelle API gli identificativi sono gpt-6-sol e gpt-6-luna. Entrambi sono accessibili tramite Responses API e Chat Completions; per le applicazioni che impiegano strumenti insieme al reasoning va utilizzata la Responses API.
